面向动态网络表示的融合动量的非负张量潜在因子分解模型
机器学习
2023-05-05 v1 社会与信息网络
摘要
大规模动态网络（LDN）因其大量实体和大规模动态交互而成为许多大数据相关应用的数据源。它们可被建模为包含丰富时间模式知识的高维不完全（HDI）张量。张量潜在因子分解（LFT）模型能高效提取该时间模式，可使用随机梯度下降（SGD）求解器建立。然而，基于 SGD 的 LFT 模型常受训练方案限制且尾部收敛性差。为解决此问题，本文提出一种基于融合动量 SGD 的新型非线性 LFT 模型（MNNL），它从 HDI 张量中提取非负潜在因子，使训练不受约束且与通用训练方案兼容，同时提升收敛精度与速度。在两个 LDN 数据集上的实证研究表明，与现有模型相比，MNNL 模型具有更高的预测精度和收敛速度。
引用
@article{arxiv.2305.02782,
title = {A Momentum-Incorporated Non-Negative Latent Factorization of Tensors Model for Dynamic Network Representation},
author = {Aoling Zeng},
journal= {arXiv preprint arXiv:2305.02782},
year = {2023}
}